近二十年來，機器學習方法的發(fā)展為我們的生活帶來了許多便利。智能網(wǎng)絡搜索、語音識別，乃至無人超市、無人駕駛汽車等，依托于機器學習方法的新事物正迅速地在我們的生活中普及。Alpha Go的橫空出世更是讓世界驚嘆于人工智能的潛在價值。在科研領域，大數(shù)據(jù)的理念正在改變著科研人員對未知世界的探索模式。美國在2011年提出了材料基因組計劃（Materials Genome Initiative），以期加快材料的研發(fā)進程。在我國懷柔科學城的發(fā)展規(guī)劃中，重點平臺項目“材料基因組研究平臺”現(xiàn)已全面開工，高通量實驗+高性能計算+深度數(shù)據(jù)分析的研究模式已經(jīng)成為時代發(fā)展的趨勢。

?

在非晶合金研究領域，如何設計并開發(fā)具有良好玻璃形成能力的合金，一直是一個具有重要產(chǎn)業(yè)價值的基礎科學問題。過去，受到經(jīng)驗性判據(jù)的準確性和通用性的限制，新型高性能非晶合金材料的研發(fā)進程非常緩慢。如何提高材料設計的效率，尋找具有更優(yōu)性能的材料，是一個非常具有挑戰(zhàn)性的問題。

?

最近，中國科學院物理研究所/北京凝聚態(tài)物理國家實驗室（籌）汪衛(wèi)華研究組（EX4組）博士研究生孫奕韜在汪衛(wèi)華研究員、白海洋研究員的指導下，與人民大學物理系李茂枝教授合作，采用機器學習的方法，對影響二元合金玻璃形成能力的諸多因素進行了系統(tǒng)的研究，建立了合金成分與性能之間的關聯(lián)，并對可能的新材料進行了預測。研究過程中使用到了支持向量機（Support Vector Machine）這種方法（圖1），通過構(gòu)建多維空間，并在這個多維空間內(nèi)對數(shù)據(jù)進行分割，從而建立輸入?yún)⒘颗c輸出參量之間的關聯(lián)。

?

?

圖1. 支持向量機方法的基本過程，包括四個主要部分：數(shù)據(jù)庫的建立，模型的訓練，模型的評估，以及最優(yōu)模型的預測。

?

在該研究方法下，通過不斷選擇新的參數(shù)對模型進行重復訓練，探討了合金的不同性質(zhì)對其玻璃形成能力的影響（圖2）。研究發(fā)現(xiàn)，參量ΔTliq（表征合金過冷能力）與合金的玻璃形成能力有最為顯著的關聯(lián)，而且在使用參量ΔTliq與Tfic（表征合金熱穩(wěn)定性）作為輸入?yún)?shù)時，可以得到具有最佳預測效率的模型。通過對最佳模型的分析，可以看到已發(fā)現(xiàn)的具有良好玻璃形成能力的二元合金，其分布與模型的預測值具有很好的一致性（圖3）。使用這個模型，可以對未知的合金成分進行預測，這樣由深度數(shù)據(jù)分析指導設計的實驗，能夠極大地縮短新材料的研發(fā)周期（圖4）。

?

圖2. 不同的輸入?yún)?shù)得到的模型的預測結(jié)果

?

圖3. 最優(yōu)模型的預測結(jié)果。已發(fā)現(xiàn)的優(yōu)秀材料與模型預測（紅色區(qū)域）有很好的一致性

?

圖4. 最優(yōu)模型預測得到最佳玻璃形成能力的合金體系的成分云圖

?

該結(jié)果表明，機器學習的方法在材料設計與研發(fā)領域具有重要的應用前景。在更全面、完善的數(shù)據(jù)庫，更深入的人工智能算法支撐下，機器學習方法能夠為科研人員提供更準確的信息，加速材料的研發(fā)過程。

?

該工作作為使用新的工具對經(jīng)典問題進行分析的一種嘗試，得到了初步成果。這項研究結(jié)果最近發(fā)表在J. Phys. Chem. Lett. 上。上述研究工作得到國家自然科學基金項目（51571209，51631003，51461165101）、973項目（2015CB856800）和中科院前沿科學關鍵研究項目（QYZDY-SSW-JSC017）的支持。

該論文作者為：Y. T. Sun, H. Y. Bai, M. Z. Li, W. H. Wang

本文轉(zhuǎn)載自X-mol，轉(zhuǎn)載目的在于知識分享，本文觀點不代表V-suan云平臺立場。